Académique Documents
Professionnel Documents
Culture Documents
FILIAL AREQUIPA
FACULTAD DE INGENIERA
CARRERA DE INGENIERA DE SEGURIDAD INDUSTRIAL Y MINERA
TEMA:
APLICACIN DE LA REGRESION LINEAL EN PRONOSTICOS
CURSO:
ESTADISTICA
PRESENTADO POR:
Cuno Palomino, Hebert (Ing. De Seguridad)
Fernndez Quico, Patricia (Ing. De Seguridad)
Gonzales Paco, Aldair (Ing. De Seguridad)
Martnez Andia, Carolina (Ing. De Seguridad)
DOCENTE:
VERONICA EDITH LOAIZA QUILLA
ArequipaPer
2014
NDICE
INTRODUCCIN
1.
2.
3.
4.
Regresin
Cundo existe regresin?
Modelos de regresin
Cmo utilizar una Regresin Lineal para realizar un Pronstico de
Demanda
5.
Conclusiones
Bibliografa
INTRODUCCIN
La regresin lineal es una tcnica estadstica desarrollada durante el siglo XVII, en la
que se pretenda encontrar relacin entre las caractersticas de pares e hijos, as mismo
predecir los comportamientos de los cuerpos celestes del sistema solar.
El concepto que presenta la regresin se basa en encontrar la relacin que puede existir
entre una o varias variables independientes con una dependiente, este fenmeno se
prueba a travs de la tcnica de mnimos cuadrados. Dicha tcnica se basa en encontrar
la distancia mnima entre los puntos reales obtenidos de mediciones histricas y una
recta estimada que represente todos los puntos.
Una de las principales aplicaciones encontradas para la regresin lineal en el mundo
empresarial es la capacidad que tiene de analizar tendencias de datos histricos para
poder predecir comportamientos futuros de variables tan decisivas como las ventas, la
produccin o los costos.
La regresin lineal como mtodo de pronstico brinda a los gerentes una visin sobre el
comportamiento de sus negocios, la tendencia que tiene la informacin y permite
establecer una planeacin pensando en sobrellevar de la mejor forma la organizacin.
Otra de las aplicaciones es la relacin experimental que se puede conocer entre 2 o ms
variables.
En este aspecto, la regresin da una herramienta para a travs de cambios controlados
en una variable, poder inferir en el resultado de otra. Por ejemplo se puede establecer
que en la industria de alimentos, la temperatura tiene una relacin directa con el tiempo
de coccin de los productos, de este modo realizando cambios controlados de
temperatura, se puede predecir el tiempo de coccin del alimento.
Sin embargo la regresin lineal es una espada de doble filo para las organizaciones. Si
bien es una herramienta de gran utilidad para simplificar la complejidad del mundo y
poderlo modelar de forma sencilla, generalmente desprecia informacin asociada a la
aleatoriedad o a la correlacin, esta informacin puede definir comportamientos no
predecibles en los modelos de regresin.
La regresin permite analizar tendencias basados en datos histricos, sin embargo no
tiene en cuenta informacin del futuro, por lo que puede generar grandes desviaciones al
no tener en cuenta fenmenos que se estn presentando y que puedan afectar la
empresa.
1. REGRESIN
Regresin es una palabra un tanto rara. La utilizan los bilogos, los mdicos, los
psiclogos... y suena como "ir hacia atrs", "volver al pasado", y realmente este
es verdadero significado del vocablo.
Fue un bilogo y estadstico ingls, SIR FRANCIS GALTON*, quien introdujo
en 1889 el trmino regresin en Estadstica. Emple este concepto para indicar
la relacin que exista entre la estatura de los nios de una muestra y la estatura
de su padre.
Observ, que si los padres son altos, los hijos generalmente tambin lo son, y si
los padres son bajos los hijos son tambin de menor estatura. Pero ocurra un
hecho curioso: cuando el padre es muy alto o muy bajo, aparece una perceptible
"regresin" hacia la estatura media de la poblacin, de modo que sus hijos
retroceden hacia la media de la que sus padres, por cierto, estn muy alejados.
Hoy da, el trmino no se utiliza en ese sentido.
En muchas ocasiones, se desea conocer algo acerca de la relacin o dependencia
entre dos caractersticas cuantitativas, o ms de una, consideradas sobre la
misma poblacin objeto de estudio (por ejemplo la talla y el peso). Hay muchos
casos en los que ya de antemano se "sospecha" que puede existir algn tipo de
relacin, y por consiguiente, se pretende saber por ejemplo, en el caso de que
tengamos nicamente dos variables:
De una forma general, lo primero que suele hacerse para ver si dos variables
aleatorias estn relacionadas o no (de ahora en adelante las llamaremos X e Y,
denotando con Y a la variable dependiente, y X a la variable independiente o
regresora), consiste en tomar una muestra aleatoria. Sobre cada individuo de la
muestra se analizan las dos caractersticas en estudio, de modo que para cada
individuo tenemos un par de valores (xi, yi) (i=1,..., n).
Seguidamente, representamos dichos valores en unos ejes cartesianos, dando
lugar al diagrama conocido como diagrama de dispersin o nube de puntos. As,
cada individuo vendr representado por un punto en el grfico, de coordenadas,
xi, yi.
De esa forma, podremos obtener una primera idea acerca de la forma y de la
dispersin de la nube de puntos.
Al dibujar la nube de puntos, podemos encontrarnos, entre otros, los casos a los
que hace referencia la figura 6.1.
En primer lugar deberemos distinguir entre dependencia funcional y
dependencia estocstica. En el primer caso la relacin es perfecta: Y=f(X) (ver
figura
6.1d y e); es decir, los puntos del diagrama de dispersin correspondiente,
aparecen sobre la funcin Y=f(X). Por ejemplo, el caso de la figura 6.1d sera
Y=a+bX.
Sin embargo, lo que suele ocurrir es que no existe una dependencia funcional
perfecta, sino otra dependencia o relacin menos rigurosa que se denomina
dependencia estocstica (figura 6.1b y c); entonces, la relacin entre X e Y,
podramos escribirla (en el caso de la figura 6.1.b) de la forma
Y=a+bX+e
Donde e es un error o un residual, debido por ejemplo, a no incluir variables en
el modelo que sean importantes a la hora de explicar el comportamiento de Y, y
cuyos efectos sean diferentes a los de X; errores aleatorios o de medida, o
simplemente a que estamos especificando mal el modelo (por ejemplo, que en
lugar de ser una recta, sea una parbola).
3. MODELOS DE REGRESIN
Los modelos de regresin han sido tiles para determinar la asociacin entre
variables tanto cualitativas como cuantitativas, pero siempre habr una variable
respuesta o dependiente que ser la variable explicada, entre otras, la demanda es
una de las explicadas en modelos de regresin en series temporales.
Dentro de los principales propsitos de estos modelos se encuentran:
incrementan o la disminuyen.
Describir y predecir el valor de la respuesta Y a partir de valores
particulares la (s) explicativas.
valores
arbitrariamente a un decimal.
de
los
pronsticos
han
sido
redondeados
Notar que con la informacin que hemos obtenido podemos calcular el MAD y
la Seal de Rastreo y utilizar estos indicadores para validar la conveniencia de
utilizar este procedimiento como dispositivo de pronstico.
Siguiendo con nuestro anlisis a continuacin podemos desarrollar un pronstico
para los prximos 4 trimestres (un ao) que corresponden a los trimestres 13, 14,
15 y 16:
Y(13)=441,71+359,61*13=5.116,64
Y(14)=441,71+359,61*14=5.476,25
Y(15)=441,71+359,61*15=5.835,86
Y(16)=441,71+359,61*16=6.195,47
Conclusiones
Los pronsticos pueden llegar a ser una herramienta til dentro de la planeacin de las
empresas y sus formas de aplicacin son ilimitadas siempre y cuando quien los ejecute
los entienda, los intuya y le apasionen, y sobre todo los necesite.
Bibliografa
http://upload.wikimedia.org/wikipedia/commons/a/a6/RESUMEN_SOBRE_RE
GRESI%C3%93N_LINEAL.pdf
http://ingpronosticos.blogspot.com/p/pronostico-de-demanda-y-ofertatraves.html
http://www.bdigital.unal.edu.co/12560/1/MarisolValenciaCardenas.2014.pdf
http://biplot.usal.es/problemas/libro/6%20%20Regresion.pdf
http://www.gestiondeoperaciones.net/proyeccion-de-demanda/como-utilizaruna-regresion-lineal-para-realizar-un-pronostico-de-demanda/
http://pendientedemigracion.ucm.es/info/socivmyt/paginas/D_departamento/mat
eriales/analisis_datosyMultivariable/18reglin_SPSS.pdf